Influence of formal education on healthy living in Asokwa

Como descrito no cap´ıtulo 4, cada agente do D-MA-Draughts ´e treinado segundo a arquitetura base do D-VisionDraughts, todavia, duas melhorias foram adicionadas: o aumento do n´umero de caracter´ısticas (features) na composi¸c˜ao do mapeamento NET-FEATUREMAP para repre- senta¸c˜ao dos estados de tabuleiro e o aumento na capacidade de processamento do sistema com a adi¸c˜ao de novos processadores. Com o intuito de avaliar o ganho individual de cada agente com a inser¸c˜ao de tais otimiza¸c˜oes, os 5 cen´arios abaixo se prop˜oem a estimar, particularmente e a t´ıtulo de exemplo, o desempenho do agente IIGA do D-MA-Draughts comparado ao VisionDraughts (ver se¸c˜ao 3.2.2) e ao do D-VisionDraughts. Nos cen´arios de I a III, onde se pretende avaliar o de- sempenho de processamento, o n´umero de caracter´ısticas n˜ao foi alterado: manteve-se fixo em 12, tal como no D-VisionDraughts e no VisionDraughts. J´a no cen´ario IV, executado para avaliar o impacto no treinamento trazido por altera¸c˜oes na representa¸c˜ao NET-FEATUREMAP, o n´umero de caracter´ısticas variou entre 12 e 16. O cen´ario V teve como objetivo avaliar o desempenho geral do IIGA em jogos normais de disputa (ap´os treinado), operando com 14 e com 16 caracter´ısticas.

Cen´ario I Este cen´ario verifica o ganho obtido com o gradual aumento do n´umero de processa- dores no IIGA. Para isso, foram realizados treinamentos limitados por um per´ıodo de quatro horas, onde cada um contou com um n´umero de processadores diferente. As configura¸c˜oes aplicadas a cada treinamento foram as seguintes:

• Estado de tabuleiro inicial padr˜ao em jogos de Damas;

• Busca em profundidade primeira (limitada `a profundidade 12);

Pode-se observar que, neste cen´ario, o n´umero de caracter´ısticas n˜ao foi incrementado, visto que o objetivo foi verificar apenas o ganho obtido em rela¸c˜ao `a capacidade de processamento. Desta forma, foi mantido o n´umero de caracter´ısticas utilizadas no predecessor do IIGA (D- VisionDraughts). A Tabela 7.1 apresenta os resultados obtidos pela aplica¸c˜ao deste cen´ario onde o agente contou com 10, 14 e 16 processadores. A se¸c˜ao onde o agente atuou com 10 processadores corresponde ao D-VisionDraughts. ´E poss´ıvel notar que, nesta se¸c˜ao, em virtude das limita¸c˜oes de tempo e busca, foi poss´ıvel executar apenas 48 jogos de treinamento. As se¸c˜oes seguintes, isto ´e, aquelas em que o agente atuou com 14 e 16 processadores, o sistema demonstrou um ganho significativo, uma vez que 64 e 72 jogos de treinamento foram executados, respectivamente. Desta forma, este primeiro cen´ario mostrou que a performance do IIGA, em termos de quantidade de jogos de treinamento executados por um per´ıodo de quatro horas (comparado com o desempenho do D-VisionDraughts, ou seja, operando apenas com 10 processadores), melhorou em 33% quando operando com 14 processadores e em 50% quando operando com 16 processadores.

Como o melhor desempenho ocorreu com 16 processadores, adotou-se esta quantidade de pro- cessadores para compor os demais testes realizados para o sistema apresentado neste trabalho e, de fato, tornou-se a quantidade de processadores oficial adotada pelo IIGA e demais agentes do D-MA-Draughts.

7.2. Melhoria na Arquitetura Individual dos Agentes do D-MA-Draughts 113

Tabela 7.1: _{N´umero de Processadores X N´umero de Jogos}

N´umero de Processadores N´umero de Jogos

10 48

14 64

16 72

Cen´ario II O segundo cen´ario foi definido a fim de avaliar o ganho obtido em termos de look-ahead obtido pelo IIGA. Neste cen´ario, as condi¸c˜oes aplicadas ao cen´ario I foram mantidas, exceto no que diz respeito `a estrat´egia de busca, uma vez que agora foi utilizado profundidade iterativa, ao inv´es da profundidade de busca limitada. Neste cen´ario foi poss´ıvel constatar que o IIGA conseguiu explorar at´e dois n´ıveis mais profundos na ´arvore de jogo em rela¸c˜ao ao D- VisionDraughts.

Cen´ario III O terceiro cen´ario avaliou o tempo de treinamento obtido no IIGA em rela¸c˜ao aos seus predecessores: VisionDraughts e D-VisionDraughts. Tal cen´ario foi composto por 10 se¸c˜oes de treinamento, cada uma composta por 10 jogos, conforme a defini¸c˜ao da estrat´egia de treinamento apresentada na se¸c˜ao 6.3. A profundidade de busca foi limitada a 12. A figura 7.1 mostra a eficiˆencia atingida pelo IIGA devido `a adi¸c˜ao dos novos processadores. Note que o tempo de treinamento requerido pelo VisionDraughts ´e aproximadamente 50% maior em rela¸c˜ao ao requerido pelo D-VisionDraughts. Por outro lado, o IIGA se mostrou 70% e 43% mais r´apido que o VisionDraughts e o D-VisionDraughts, respectivamente.

Figura 7.1: _{Tempo de treinamento (em minutos) dos sistemas: VisionDraughts,} D-VisionDraughts (10 processadores) e IIGA do D-MA-Draughts (16 processadores)

Cen´ario IV O quarto cen´ario checou a performance do IIGA durante o treinamento, com a inser¸c˜ao gradual de caracter´ısticas no mapeamento NET-FEATUREMAP. Para tanto, foram realizados testes com 12, 14 e 16 caracter´ısticas. A configura¸c˜ao deste cen´ario, assim como no cen´ario III, tamb´em foi composto por 10 se¸c˜oes de 10 jogos e a profundidade de busca foi limitada a 12.

A figura 7.2 mostra que o tempo de treinamento do jogador aumenta proporcionalmente ao n´umero de caracter´ısticas inclu´ıdas no mapeamento NET-FEATUREMAP. De fato, o tempo de treina- mento onde o IIGA contou com 12 caracter´ısticas (534 minutos) foi 33.7% menor que o tempo de treinamento onde o IIGA utilizou 14 caracter´ısticas e foi menor 49.8% que o tempo de treinamento com 16 caracter´ısticas.

Figura 7.2: _{Tempo de treinamento (em minutos) X N´umero de caracter´ısticas (features)}

Cen´ario V Este cen´ario executa um torneio onde o IIGA joga contra o D-VisionDraughts e o VisionDraughts. O objetivo foi verificar se as melhorias implementadas no IIGA (adi¸c˜ao do n´umero de processadores e caracter´ısticas) de fato contribu´ıram para a melhoria da performance do jogador em termos de n´umero de vit´orias.

Cada torneio foi composto por 40 jogos. O primeiro torneio foi executado entre o IIGA e o Vi- sionDraughts. Como mostrado na tabela 7.2, o IIGA composto por 14 caracter´ısticas em seu mapeamento NET-FEATUREMAP, n˜ao obteve nenhuma derrota e obteve 6 vit´orias (o que cor- responde a uma taxa superior de 15% em vit´orias). Por outro lado, o IIGA composto por 16 caracter´ısticas obteve 7 vit´orias, o que corresponde a uma taxa superior de 17.5% de vit´orias em rela¸c˜ao ao seu oponente.

O segundo torneio, cujo os resultados s˜ao mostrados na tabela 7.3 ´e disputado entre o IIGA e o D-VisionDraughts (composto por 10 processadores). Os resultados mostram que a taxa de vit´oria do IIGA em ambos as situa¸c˜oes, ou seja, quando ele ´e composto por 14 ou 16 caracter´ısticas, ´e 10% superior ao D-VisionDraughts.

Tabela 7.2: _{Resultados do IIGA do D-MA-Draughts (P=16) contra o VisionDraughts}

N´umero de caracter´ısticas Vit´orias Empates Derrotas

14 6 34 0

16 7 32 1

Observe que n˜ao houve um ganho expressivo em rela¸c˜ao a vit´orias quando comparado o IIGA com 14 e 16 caracter´ısticas. Por outro lado, o tempo de treinamento exigido quando utilizado 14 caracter´ısticas ´e menor do que quando s˜ao utilizadas 16 caracter´ısticas. Portanto, neste momento, foram definidas as configura¸c˜oes do IIGA: atuar´a em um ambiente composto por 16 processadores